UVA 348 Optimal Array Multiplication Sequence 最优矩阵链乘 dp经典

本文深入探讨了通过记忆化搜索解决矩阵链乘法问题的优化策略,详细阐述了状态转移公式及其应用过程。通过实例代码展示了解决方案,帮助读者理解并掌握动态规划在矩阵运算优化中的应用。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

这么久了还在dp入门这折腾orz。

题意:最优矩阵链乘,给出n个矩阵的大小,求出计算顺序,让计算量最小。

记忆化搜索,状态转移公式为  dp(begin, end) = { dp(begin, k) + dp(k + 1, end) + x[begin] * y[k] * y[end] | begin <= k <= end }

代码:

/*
*  Author:      illuz <iilluzen[at]gmail.com>
*  Blog:        http://blog.youkuaiyun.com/hcbbt
*  File:        348.cpp
*  Create Date: 2013-09-26 20:01:23
*  Descripton:  dp, martrix 
*/

#include <cstdio>
#include <cstring>
const int MAXN = 15;
const int INF = 0x7fffffff;
int x[MAXN], y[MAXN];
int d[MAXN][MAXN], r[MAXN][MAXN];

int dp(int a, int b) {
	if (d[a][b] != -1) return d[a][b];
	r[a][b] = a;
	if (a == b) return d[a][b] = 0;
	d[a][b] = INF;
	int t;
	for (int i = a; i < b; i++) {
		t = dp(a, i) + dp(i + 1, b) + x[a] * y[i] * y[b];
		if (t < d[a][b]) {
			d[a][b] = t;
			r[a][b] = i;
		}
	}
	return d[a][b];
}

void print(int a, int b) {
	if (a > b) return;
	if (a == b) 
		printf("A%d", a + 1);
	else {
		printf("(");
		print(a, r[a][b]);
		printf(" x ");
		print(r[a][b] + 1, b);
		printf(")");
	}
}

int main() {
	int n, cas = 0;
	while (scanf("%d", &n) && n) {
		memset(d, -1, sizeof(d));
		for (int i = 0; i < n; i++)
			scanf("%d%d", &x[i], &y[i]);
		// dp
		dp(0, n - 1);
		printf("Case %d: ", ++cas);
		print(0, n - 1);
		puts("");
	}
	return 0;
}


### 矩阵链乘法问题概述 矩阵链乘法问题是动态规划中的经典问题之一,其目标是最小计算多个矩阵所需的标量法次数。给定一组矩阵 \( \langle A_1, A_2, ..., A_n \rangle \),其中每个矩阵 \( A_i \) 的维度为 \( p_{i-1} \times p_i \)[^4],我们需要找到一种最优的括号化方案来最小化总的运算成本。 --- ### 动态规划的核心思想 动态规划通过将复杂问题分解成子问题存储中间结果的方式减少重复计算。具体到矩阵链乘法问题上: 1. **定义状态变量** 定义 \( m[i][j] \) 表示从第 \( i \) 个矩阵到第 \( j \) 个矩阵之间的最小子问题解决方案的成本[^1]。 2. **递推关系** 对于任意分割点 \( k \) (\( i \leq k < j \)),有以下递推公式: \[ m[i][j] = \min\limits_{i \leq k < j}(m[i][k] + m[k+1][j] + p_{i-1}p_kp_j) \] 其中,最后一项表示两个子链相时的额外开销[^3]。 3. **边界条件** 当只有一个矩阵时(即 \( i = j \)),无需任何操作,因此 \( m[i][i] = 0 \)[^2]。 4. **构建解路径** 使用辅助数组 \( s[i][j] \) 来记录每次划分的最佳位置 \( k \),以便最终重建完整的括号表达式[^5]。 --- ### 动态规划算法的具体实现 以下是基于上述理论的一种 Python 实现方式: ```python def matrix_chain_order(p): n = len(p) - 1 # 初始化二维表 m 和 s m = [[0]*n for _ in range(n)] s = [[0]*n for _ in range(n)] # 自底向上填充表格 for l in range(2, n+1): # 子链长度 for i in range(n-l+2): j = i + l - 1 if j >= n: continue m[i][j] = float('inf') for k in range(i, j): q = m[i][k] + m[k+1][j] + p[i-1]*p[k]*p[j] if q < m[i][j]: m[i][j] = q s[i][j] = k return m, s def print_optimal_parens(s, i, j): if i == j: print(f"A{i}", end="") else: print("(", end="") print_optimal_parens(s, i, s[i][j]) print_optimal_parens(s, s[i][j]+1, j) print(")", end="") # 测试数据 dimensions = [30, 35, 15, 5, 10, 20, 25] # 计算最优顺序及其代价 cost_table, split_points = matrix_chain_order(dimensions) print("\nOptimal Parenthesization:") print_optimal_parens(split_points, 0, len(dimensions)-2) print("\nMinimum cost:", cost_table[0][-1]) ``` #### 输出解释 该程序会打印出最佳括号化的形式以及对应的最低运算成本。例如输入 `dimensions=[30, 35, 15, 5, 10, 20, 25]` 可能得到如下输出: ``` Optimal Parenthesization: ((A0(A1A2))((A3A4)A5)) Minimum cost: 15125 ``` --- ### 复杂度分析 时间复杂度主要由三重嵌套循环决定,总共有大约 \( O(n^3) \) 次迭代。空间复杂度则取决于用于保存子问题解的二维数组大小,约为 \( O(n^2) \)。 --- ###
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值